JavaWeb應(yīng)用開發(fā)框架實(shí)例

一、 概述

Web 應(yīng)用架構(gòu)可以劃分為兩大子系統(tǒng)：前端子系統(tǒng)和后臺(tái)子系統(tǒng)。

前端子系統(tǒng)：

1. 基礎(chǔ)技術(shù)： Html/Java/CSS / Flash

2. 開發(fā)框架： jQuery, Extjs , Flex 等;

后臺(tái)子系統(tǒng)：

1. 基礎(chǔ)技術(shù)： Java Servlet;

2. 開發(fā)框架： Struts, Spring, Hibernate, ibatis 等;

3. 應(yīng)用服務(wù)器： Tomcat / Jetty

編程模型： B/S 模型。 客戶端向服務(wù)器端發(fā)送請(qǐng)求， 服務(wù)器經(jīng)過(guò)處理后返回響應(yīng)， 然后客戶端根據(jù)響應(yīng)及需求繪制前端展現(xiàn)。

在用戶客戶端和實(shí)際提供功能的Web 服務(wù)器之間還可能存在著代理服務(wù)器， 負(fù)載均衡服務(wù)器， 不過(guò)那些屬于錦上添花的事物，暫時(shí)不在考慮范圍內(nèi)。

客戶端應(yīng)用理念： 客戶端承擔(dān)大量的交互邏輯及渲染工作，服務(wù)器端主要是處理請(qǐng)求和返回?cái)?shù)據(jù)。

前后端系統(tǒng)耦合： 客戶端和服務(wù)器端各自處理自己內(nèi)部的子系統(tǒng)耦合;而客戶端與服務(wù)器端的耦合簡(jiǎn)化為一個(gè)通信與數(shù)據(jù)通道。該通道用來(lái)傳輸通信請(qǐng)求和返回?cái)?shù)據(jù)。

請(qǐng)求通信： 采用 Http / Tcp 協(xié)議

數(shù)據(jù)通道： 采用 Json, xml , 文本字符串，字節(jié)。 內(nèi)部系統(tǒng)一般采用 Json 作為數(shù)據(jù)交換格式;系統(tǒng)間的互操作則采用XML 來(lái)規(guī)范；文本字符串是最一般的形式， 字節(jié)是最底層的形式。

JavaWeb應(yīng)用開發(fā)框架實(shí)例

二、 架構(gòu)演變

最輕的架構(gòu)： jQuery + Servlet + ajax 在客戶端使用 jQuery發(fā)送 ajax 請(qǐng)求給Java 服務(wù)端的 Servlet 進(jìn)行處理， Servlet 僅僅返回?cái)?shù)據(jù)給客戶端進(jìn)行渲染。

該架構(gòu)有效地分離了前端展示和后臺(tái)請(qǐng)求處理，同時(shí)又保持了最輕的復(fù)雜性， 只需要學(xué)會(huì)編寫 Servlet 及使用 jQuery ， 就能構(gòu)建簡(jiǎn)單的應(yīng)用。

如果只是做個(gè)人創(chuàng)意演示， 可以采用該架構(gòu)， 快速實(shí)現(xiàn)自己的創(chuàng)意功能。 Servlet 是Java web 應(yīng)用的基礎(chǔ)技術(shù)，jQuery 則是前端開發(fā)的簡(jiǎn)單易用的利器。

后臺(tái)架構(gòu)演變：

1. 邏輯與頁(yè)面的分離： JSP/Servlet

JSP 實(shí)現(xiàn)了頁(yè)面邏輯與外觀的分離，但是， 前端子系統(tǒng)與后臺(tái)子系統(tǒng)仍然是緊密耦合的; 前端設(shè)計(jì)人員實(shí)際上只需要服務(wù)端返回的數(shù)據(jù)， 就可設(shè)計(jì)出非常專業(yè)的界面顯示。

2. MVC 架構(gòu)：Struts2(含Servlet，MVC) + JDBC

用Servlet 來(lái)添加服務(wù)器功能是基本的選擇，但在web.xml中配置大量的 Servlet 卻不是最佳的選擇。

Struts2 在服務(wù)端實(shí)現(xiàn)了更豐富的MVC 模式， 將本來(lái)由應(yīng)用決定的控制器從web容器中分離。

3. SSH 架構(gòu)： Struts2(含Servlet, MVC) + Spring (Ioc) + Hibernate (ORM，對(duì)象-關(guān)系映射)

通常， 應(yīng)用系統(tǒng)中需要預(yù)先創(chuàng)建一些單例對(duì)象， 比如 Controller, Service, Dao, 線程池等， 可以引入 Spring Ioc 來(lái)有效地創(chuàng)建、管理和推送這些對(duì)象；使用 Hibernate 來(lái)實(shí)現(xiàn)關(guān)系數(shù)據(jù)庫(kù)的行與面向?qū)ο蟮膶傩灾g的映射與聯(lián)接，以更好地簡(jiǎn)化和管理應(yīng)用系統(tǒng)的數(shù)據(jù)庫(kù)操作。SSH 可以說(shuō)是 JavaWeb應(yīng)用系統(tǒng)開發(fā)的三劍客。

4. SI 架構(gòu)： SpringMVC(含Servlet, Ioc, MVC, Rest) + iBatis (Semi-ORM)

過(guò)于復(fù)雜的架構(gòu)會(huì)將人搞暈。因此，在適應(yīng)需求的情況下， 盡量選擇簡(jiǎn)單的架構(gòu)，是明智之選。 這種架構(gòu)使用面向資源的理念，著重使用Spring作為MVC及應(yīng)用基礎(chǔ)服務(wù)設(shè)施， 同時(shí)使用 iBatis 來(lái)實(shí)現(xiàn)更簡(jiǎn)單靈活的ORM映射， 使之在可以理解和維護(hù)的范圍內(nèi)。

前端架構(gòu)：

1. Flash 架構(gòu)： Flex + jQuery + JSP

這是一種比較傳統(tǒng)的前端架構(gòu)，采用同步模式， Flex 承擔(dān)大量的頁(yè)面渲染工作， 并采用AMF協(xié)議與Java端進(jìn)行通信， 而JSP 則可以用于更快速的頁(yè)面顯示。優(yōu)點(diǎn)是： 經(jīng)過(guò)考驗(yàn)的結(jié)構(gòu)， 通常是值得信賴的; 缺點(diǎn)是， 由于采用同步模式， 在交互效果上可能不夠流暢， 需要進(jìn)行比較耗時(shí)的編譯過(guò)程；此外， Flex 基于瀏覽器插件運(yùn)行，在調(diào)試方面有些麻煩。

2. MVC 架構(gòu)： Extjs + jQuery

這是一種比較現(xiàn)代的前端架構(gòu)， 采用異步模式， Extjs4 可以實(shí)現(xiàn)前端子系統(tǒng)的MVC 分離， 對(duì)于可維護(hù)性是非常不錯(cuò)的支持；此外， jQuery 可以作為有效的補(bǔ)充。

優(yōu)點(diǎn)： 異步， 快速， 對(duì)于企業(yè)內(nèi)部的后臺(tái)管理系統(tǒng)是非常好的選擇。

缺點(diǎn)： Extjs4 的可定制性、可適應(yīng)性可能難以適應(yīng)各種特殊的需求，需要用其它組件來(lái)補(bǔ)充， 比如大數(shù)據(jù)量的繪制。對(duì)于互聯(lián)網(wǎng)應(yīng)用， 速度可能是致命傷。

三、 架構(gòu)的選擇

不要去詢問(wèn)哪種架構(gòu)更好，更需要做的是清晰地定位項(xiàng)目目標(biāo)，根據(jù)自己的具體情況來(lái)選擇和定制架構(gòu)。反復(fù)地嘗試、觀察和改進(jìn)，反復(fù)磨煉技藝，這樣才有助于設(shè)計(jì)水平的提升。

架構(gòu)的選擇通常有四種關(guān)注點(diǎn)：

1. 適用性： 是否適合你的項(xiàng)目需求。 架構(gòu)有大有小， 小項(xiàng)目用小架構(gòu)， 大項(xiàng)目用大架構(gòu)。

2. 可擴(kuò)展性： 該架構(gòu)在需要添加新功能時(shí)，是否能夠以常量的成本添加到現(xiàn)有系統(tǒng)中， 所做的改動(dòng)在多大程度上會(huì)影響現(xiàn)有功能的實(shí)現(xiàn)(基本不影響，還是要大面積波及)。

3. 便利性： 使用該架構(gòu)是否易于開發(fā)功能和擴(kuò)展功能， 學(xué)習(xí)、開發(fā)和測(cè)試成本有多大。

4. 復(fù)雜性： 使用該架構(gòu)后，維護(hù)起來(lái)的成本有多大。你自然希望能夠?qū)懸粭l語(yǔ)句做很多事，使用各種成熟的組件是正確的方式，同時(shí)，在項(xiàng)目中混雜各種組件，也會(huì)提升理解和維護(hù)系統(tǒng)的復(fù)雜度。便利性和復(fù)雜性需要達(dá)到較好的平衡。

特殊的關(guān)注點(diǎn)：

譬如，應(yīng)用需要支持高并發(fā)的情況， 需要建立一個(gè)底層的并發(fā)基礎(chǔ)設(shè)施， 并向上層提供簡(jiǎn)單易用的接口，屏蔽其復(fù)雜性。

四、 架構(gòu)演進(jìn)的基本手段

架構(gòu)并不是一成不變的， 在做出最初的架構(gòu)之后，隨著開發(fā)的具體情況和需求的變更， 需要對(duì)最初架構(gòu)做出變更和改進(jìn)。

架構(gòu)演進(jìn)的基本手段：

一致性， 隔離與統(tǒng)一管理， 螺旋式重構(gòu)改進(jìn)， 消除重復(fù)， 借鑒現(xiàn)有方案。

1. 一致性： 確保使用統(tǒng)一模式來(lái)處理相同或相似的功能; 解決一次， 使用多次。

2. 模塊化、隔離與統(tǒng)一管理： 對(duì)于整體的應(yīng)用， 分而治之，將其劃分為隔離性良好的模塊，提供必要的通信耦合;對(duì)于特定的功能模塊， 采用隔離手段，將其隔離在局部統(tǒng)一管理，避免分散在系統(tǒng)的各處。

3. 不斷重構(gòu)改進(jìn)， 一旦發(fā)現(xiàn)更好的方式， 馬上替換掉原有方式。

4. 盡可能重用，消除重復(fù)。

5. 盡可能先借鑒系統(tǒng)中已有方案并復(fù)用之；如果有更好方案可替換之;

有一條設(shè)計(jì)準(zhǔn)則是： 預(yù)先設(shè)計(jì)， 但不要過(guò)早設(shè)計(jì)。

意思是說(shuō)， 需要對(duì)需求清楚的部分進(jìn)行仔細(xì)的設(shè)計(jì)， 但是對(duì)于未知不清楚的需求，要堅(jiān)持去理解它，但不要過(guò)早地去做出“預(yù)測(cè)性設(shè)計(jì)”；設(shè)計(jì)必須是明確的、清晰的、有效的， 不能針對(duì)含糊的東西來(lái)設(shè)計(jì)。可以在后期通過(guò)架構(gòu)演進(jìn)來(lái)獲得對(duì)后續(xù)需求的適應(yīng)能力。

每當(dāng)提到機(jī)器學(xué)習(xí)，大家總是被其中的各種各樣的算法和方法搞暈，覺得無(wú)從下手。確實(shí)，機(jī)器學(xué)習(xí)的各種套路確實(shí)不少，但是如果掌握了正確的路徑和方法，其實(shí)還是有跡可循的，這里我推薦SAS的Li Hui的這篇博客，講述了如何選擇機(jī)器學(xué)習(xí)的各種方法。

另外，Scikit-learn 也提供了一幅清晰的路線圖給大家選擇：

其實(shí)機(jī)器學(xué)習(xí)的基本算法都很簡(jiǎn)單，下面我們就利用二維數(shù)據(jù)和交互圖形來(lái)看看機(jī)器學(xué)習(xí)中的一些基本算法以及它們的原理。（另外向Bret Victor致敬，他的 Inventing on principle 深深的影響了我）

所有的代碼即演示可以在我的Codepen的這個(gè)Collection中找到。

首先，機(jī)器學(xué)習(xí)最大的分支的監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)，簡(jiǎn)單說(shuō)數(shù)據(jù)已經(jīng)打好標(biāo)簽的是監(jiān)督學(xué)習(xí)，而數(shù)據(jù)沒(méi)有標(biāo)簽的是無(wú)監(jiān)督學(xué)習(xí)。從大的分類上看，降維和聚類被劃在無(wú)監(jiān)督學(xué)習(xí)，回歸和分類屬于監(jiān)督學(xué)習(xí)。

無(wú)監(jiān)督學(xué)習(xí)

如果你的數(shù)據(jù)都沒(méi)有標(biāo)簽，你可以選擇花錢請(qǐng)人來(lái)標(biāo)注你的數(shù)據(jù)，或者使用無(wú)監(jiān)督學(xué)習(xí)的方法

首先你可以考慮是否要對(duì)數(shù)據(jù)進(jìn)行降維。

降維

降維顧名思義就是把高維度的數(shù)據(jù)變成為低維度。常見的降維方法有PCA, LDA, SVD等。

主成分分析 PCA

降維里最經(jīng)典的方法是主成分分析PCA，也就是找到數(shù)據(jù)的主要組成成分，拋棄掉不重要的成分。

這里我們先用鼠標(biāo)隨機(jī)生成8個(gè)數(shù)據(jù)點(diǎn)，然后繪制出表示主成分的白色直線。這根線就是二維數(shù)據(jù)降維后的主成分，藍(lán)色的直線是數(shù)據(jù)點(diǎn)在新的主成分維度上的投影線，也就是垂線。主成分分析的數(shù)學(xué)意義可以看成是找到這根白色直線，使得投影的藍(lán)色線段的長(zhǎng)度的和為最小值。

聚類

因?yàn)樵诜潜O(jiān)督學(xué)習(xí)的環(huán)境下，數(shù)據(jù)沒(méi)有標(biāo)簽，那么能對(duì)數(shù)據(jù)所做的最好的分析除了降維，就是把具有相同特質(zhì)的數(shù)據(jù)歸并在一起，也就是聚類。

層級(jí)聚類 Hierachical Cluster

該聚類方法用于構(gòu)建一個(gè)擁有層次結(jié)構(gòu)的聚類

如上圖所示，層級(jí)聚類的算法非常的簡(jiǎn)單：

1、初始時(shí)刻，所有點(diǎn)都自己是一個(gè)聚類

2、找到距離最近的兩個(gè)聚類（剛開始也就是兩個(gè)點(diǎn)），形成一個(gè)聚類

3、兩個(gè)聚類的距離指的是聚類中最近的兩個(gè)點(diǎn)之間的距離

4、重復(fù)第二步，直到所有的點(diǎn)都被聚集到聚類中。

KMeans

KMeans中文翻譯K均值算法，是最常見的聚類算法。

1、隨機(jī)在圖中取K（這里K=3）個(gè)中心種子點(diǎn)。

2、然后對(duì)圖中的所有點(diǎn)求到這K個(gè)中心種子點(diǎn)的距離，假如點(diǎn)P離中心點(diǎn)S最近，那么P屬于S點(diǎn)的聚類。

3、接下來(lái)，我們要移動(dòng)中心點(diǎn)到屬于他的“聚類”的中心。

4、然后重復(fù)第2）和第3）步，直到，中心點(diǎn)沒(méi)有移動(dòng)，那么算法收斂，找到所有的聚類。

KMeans算法有幾個(gè)問(wèn)題：

1.如何決定K值，在上圖的例子中，我知道要分三個(gè)聚類，所以選擇K等于3，然而在實(shí)際的應(yīng)用中，往往并不知道應(yīng)該分成幾個(gè)類

2.由于中心點(diǎn)的初始位置是隨機(jī)的，有可能并不能正確分類，大家可以在我的Codepen中嘗試不同的數(shù)據(jù)

3.如下圖，如果數(shù)據(jù)的分布在空間上有特殊性，KMeans算法并不能有效的分類。中間的點(diǎn)被分別歸到了橙色和藍(lán)色，其實(shí)都應(yīng)該是藍(lán)色。

DBSCAN

DBSCAN（Density-Based Spatial Clustering of Applications with Noise）中文是基于密度的聚類算法。

DBSCAN算法基于一個(gè)事實(shí)：一個(gè)聚類可以由其中的任何核心對(duì)象唯一確定。

算法的具體聚類過(guò)程如下：

1、掃描整個(gè)數(shù)據(jù)集，找到任意一個(gè)核心點(diǎn)，對(duì)該核心點(diǎn)進(jìn)行擴(kuò)充。擴(kuò)充的方法是尋找從該核心點(diǎn)出發(fā)的所有密度相連的數(shù)據(jù)點(diǎn)（注意是密度相連）。

2、遍歷該核心點(diǎn)的鄰域內(nèi)的所有核心點(diǎn)（因?yàn)檫吔琰c(diǎn)是無(wú)法擴(kuò)充的），尋找與這些數(shù)據(jù)點(diǎn)密度相連的點(diǎn)，直到?jīng)]有可以擴(kuò)充的數(shù)據(jù)點(diǎn)為止。最后聚類成的簇的邊界節(jié)點(diǎn)都是非核心數(shù)據(jù)點(diǎn)。

3、之后就是重新掃描數(shù)據(jù)集（不包括之前尋找到的簇中的任何數(shù)據(jù)點(diǎn)），尋找沒(méi)有被聚類的核心點(diǎn)，再重復(fù)上面的步驟，對(duì)該核心點(diǎn)進(jìn)行擴(kuò)充直到數(shù)據(jù)集中沒(méi)有新的核心點(diǎn)為止。數(shù)據(jù)集中沒(méi)有包含在任何簇中的數(shù)據(jù)點(diǎn)就構(gòu)成異常點(diǎn)。

如上圖所示，DBSCAN可以有效的解決KMeans不能正確分類的數(shù)據(jù)集。并且不需要知道K值。

當(dāng)然，DBCSAN還是要決定兩個(gè)參數(shù)，如何決定這兩個(gè)參數(shù)是分類效果的關(guān)鍵因素：

1、一個(gè)參數(shù)是半徑（Eps），表示以給定點(diǎn)P為中心的圓形鄰域的范圍；

2、另一個(gè)參數(shù)是以點(diǎn)P為中心的鄰域內(nèi)最少點(diǎn)的數(shù)量（MinPts）。如果滿足：以點(diǎn)P為中心、半徑為Eps的鄰域內(nèi)的點(diǎn)的個(gè)數(shù)不少于MinPts，則稱點(diǎn)P為核心點(diǎn)。

監(jiān)督學(xué)習(xí)

監(jiān)督學(xué)習(xí)中的數(shù)據(jù)要求具有標(biāo)簽。也就是說(shuō)針對(duì)已有的結(jié)果去預(yù)測(cè)新出現(xiàn)的數(shù)據(jù)。如果要預(yù)測(cè)的內(nèi)容是數(shù)值類型，我們稱作回歸，如果要預(yù)測(cè)的內(nèi)容是類別或者是離散的，我們稱作分類。

其實(shí)回歸和分類本質(zhì)上是類似的，所以很多的算法既可以用作分類，也可以用作回歸。

回歸

線性回歸

線性回歸是最經(jīng)典的回歸算法。

在統(tǒng)計(jì)學(xué)中，線性回歸（Linear regression）是利用稱為線性回歸方程的最小二乘函數(shù)對(duì)一個(gè)或多個(gè)自變量和因變量之間關(guān)系進(jìn)行建模的一種回歸分析。

這種函數(shù)是一個(gè)或多個(gè)稱為回歸系數(shù)的模型參數(shù)的線性組合。 只有一個(gè)自變量的情況稱為簡(jiǎn)單回歸，大于一個(gè)自變量情況的叫做多元回歸。

如上圖所示，線性回歸就是要找到一條直線，使得所有的點(diǎn)預(yù)測(cè)的失誤最小。也就是圖中的藍(lán)色直線段的和最小。這個(gè)圖很像我們第一個(gè)例子中的PCA。仔細(xì)觀察，分辨它們的區(qū)別。

如果對(duì)于算法的的準(zhǔn)確性要求比較高，推薦的回歸算法包括：隨機(jī)森林，神經(jīng)網(wǎng)絡(luò)或者Gradient Boosting Tree。

如果要求速度優(yōu)先，建議考慮決策樹和線性回歸。

分類

支持向量機(jī) SVM

如果對(duì)于分類的準(zhǔn)確性要求比較高，可使用的算法包括Kernel SVM，隨機(jī)森林，神經(jīng)網(wǎng)絡(luò)以及Gradient Boosting Tree。

給定一組訓(xùn)練實(shí)例，每個(gè)訓(xùn)練實(shí)例被標(biāo)記為屬于兩個(gè)類別中的一個(gè)或另一個(gè)，SVM訓(xùn)練算法創(chuàng)建一個(gè)將新的實(shí)例分配給兩個(gè)類別之一的模型，使其成為非概率二元線性分類器。

SVM模型是將實(shí)例表示為空間中的點(diǎn)，這樣映射就使得單獨(dú)類別的實(shí)例被盡可能寬的明顯的間隔分開。然后，將新的實(shí)例映射到同一空間，并基于它們落在間隔的哪一側(cè)來(lái)預(yù)測(cè)所屬類別。

如上圖所示，SVM算法就是在空間中找到一條直線，能夠最好的分割兩組數(shù)據(jù)。使得這兩組數(shù)據(jù)到直線的距離的絕對(duì)值的和盡可能的大。

上圖示意了不同的核方法的不同分類效果。

決策樹

如果要求分類結(jié)果是可以解釋的，可以考慮決策樹或者邏輯回歸。

決策樹（decision tree）是一個(gè)樹結(jié)構(gòu)（可以是二叉樹或非二叉樹）。

其每個(gè)非葉節(jié)點(diǎn)表示一個(gè)特征屬性上的測(cè)試，每個(gè)分支代表這個(gè)特征屬性在某個(gè)值域上的輸出，而每個(gè)葉節(jié)點(diǎn)存放一個(gè)類別。

使用決策樹進(jìn)行決策的過(guò)程就是從根節(jié)點(diǎn)開始，測(cè)試待分類項(xiàng)中相應(yīng)的特征屬性，并按照其值選擇輸出分支，直到到達(dá)葉子節(jié)點(diǎn)，將葉子節(jié)點(diǎn)存放的類別作為決策結(jié)果。

決策樹可以用于回歸或者分類，下圖是一個(gè)分類的例子。

如上圖所示，決策樹把空間分割成不同的區(qū)域。

邏輯回歸

邏輯回歸雖然名字是回歸，但是卻是個(gè)分類算法。因?yàn)樗蚐VM類似是一個(gè)二分類，數(shù)學(xué)模型是預(yù)測(cè)1或者0的概率。所以我說(shuō)回歸和分類其實(shí)本質(zhì)上是一致的。

這里要注意邏輯回歸和線性SVM分類的區(qū)別

樸素貝葉斯

當(dāng)數(shù)據(jù)量相當(dāng)大的時(shí)候，樸素貝葉斯方法是一個(gè)很好的選擇。

15年我在公司給小伙伴們分享過(guò)bayers方法，可惜speaker deck被墻了，如果有興趣可以自行想辦法。

如上圖所示，大家可以思考一下左下的綠點(diǎn)對(duì)整體分類結(jié)果的影響。

KNN

KNN分類可能是所有機(jī)器學(xué)習(xí)算法里最簡(jiǎn)單的一個(gè)了。

如上圖所示，K=3，鼠標(biāo)移動(dòng)到任何一個(gè)點(diǎn)，就找到距離該點(diǎn)最近的K個(gè)點(diǎn)，然后，這K個(gè)點(diǎn)投票，多數(shù)表決獲勝。就是這么簡(jiǎn)單。

總 結(jié)

本文利用二維交互圖幫助大家理解機(jī)器學(xué)習(xí)的基本算法，希望能增加大家對(duì)機(jī)器學(xué)習(xí)的各種方法有所了解。

本文來(lái)源：naughty

https://my.oschina.net/taogang/blog/1544709

免責(zé)聲明

數(shù)邦客-大數(shù)據(jù)價(jià)值構(gòu)建師（www.databanker.cn）除非特別注明，本站所載內(nèi)容來(lái)源于互聯(lián)網(wǎng)、微信公眾號(hào)等公開渠道，不代表本站觀點(diǎn)，僅供參考、交流之目的。轉(zhuǎn)載的稿件版權(quán)歸原作者或機(jī)構(gòu)所有，如有侵權(quán)，請(qǐng)聯(lián)系刪除。

產(chǎn)品簡(jiǎn)介